HOJA DE TRABAJO 3 ARBOLES DE DECISION¶

Raul Jimenez 19017 Donaldo Garcia 19683 Oscar Saravia 19322 link al repo: https://github.com/raulangelj/HT3_ARBOLES_DE_DECISION

In [ ]:
# from re import U
from statsmodels.graphics.gofplots import qqplot
import numpy as np
import pandas as pd
# import pandasql as ps
import matplotlib.pyplot as plt
# import scipy.stats as stats
import statsmodels.stats.diagnostic as diag
# import statsmodels.api as sm
import seaborn as sns
# import random
import sklearn.cluster as cluster
# import sklearn.metrics as metrics
import sklearn.preprocessing
# import scipy.cluster.hierarchy as sch
import pyclustertend
from sklearn import tree
from sklearn.tree import DecisionTreeClassifier, DecisionTreeRegressor
from sklearn.ensemble import RandomForestClassifier
from sklearn import metrics
# import sklearn.mixture as mixture
# from sklearn import datasets
# from sklearn.cluster import DBSCAN
# from numpy import unique
# from numpy import where
# from matplotlib import pyplot
# from sklearn.datasets import make_classification
# from sklearn.cluster import Birch
# from sklearn.mixture import GaussianMixture

from sklearn.model_selection import train_test_split

# %matplotlib inline
from mpl_toolkits.mplot3d import Axes3D
plt.rcParams['figure.figsize'] = (16, 9)
plt.style.use('ggplot')

1. Descargue los conjuntos de datos de la plataforma kaggle.¶

In [ ]:
train = pd.read_csv('./train.csv', encoding='latin1')
train.head()
Out[ ]:
Id MSSubClass MSZoning LotFrontage LotArea Street Alley LotShape LandContour Utilities ... PoolArea PoolQC Fence MiscFeature MiscVal MoSold YrSold SaleType SaleCondition SalePrice
0 1 60 RL 65.0 8450 Pave NaN Reg Lvl AllPub ... 0 NaN NaN NaN 0 2 2008 WD Normal 208500
1 2 20 RL 80.0 9600 Pave NaN Reg Lvl AllPub ... 0 NaN NaN NaN 0 5 2007 WD Normal 181500
2 3 60 RL 68.0 11250 Pave NaN IR1 Lvl AllPub ... 0 NaN NaN NaN 0 9 2008 WD Normal 223500
3 4 70 RL 60.0 9550 Pave NaN IR1 Lvl AllPub ... 0 NaN NaN NaN 0 2 2006 WD Abnorml 140000
4 5 60 RL 84.0 14260 Pave NaN IR1 Lvl AllPub ... 0 NaN NaN NaN 0 12 2008 WD Normal 250000

5 rows × 81 columns

2. Haga un análisis exploratorio extenso de los datos. Explique bien todos los hallazgos. No ponga solo gráficas y código. Debe llegar a conclusiones interesantes para poder predecir.Explique el preprocesamiento que necesitó hacer.¶

Se deciden utilizar estas variables debido a que estas son las que nos permiten predecir el comportamiento de este mercad o en un futoro. Con estas variables podemos ver si tiene alguna importanacia en el precio la cantidad del espacio, cantidad de cuartos/baños e incluso el año en el que se termina vendiendo la casa

  • SalePrice - CUANTITATIVO CONTINUO debido a que el precio puede tener centavos; the property's sale price in dollars. This is the target variable that you're trying to predict.
  • LotArea: CUANTITATIVO CONTINUO Lot size in square feet
  • OverallCond: CUANTITATIVO DISCRETO Overall condition rating
  • YearBuilt: CUANTITATIVO DISCRETO Original construction date
  • MasVnrArea: CUANTITATIVO CONTINUO Masonry veneer area in square feet
  • TotalBsmtSF: CUANTITATIVO CONTINUO Total square feet of basement area
  • 1stFlrSF: CUANTITATIVO CONTINUO First Floor square feet
  • 2ndFlrSF: CUANTITATIVO CONTINUO Second floor square feet
  • GrLivArea: CUANTITATIVO CONTINUO Above grade (ground) living area square feet
  • TotRmsAbvGrd: CUANTITATIVO DISCRETO Total rooms above grade (does not include bathrooms)
  • GarageCars: CUANTITATIVO DISCRETO Size of garage in car capacity
  • WoodDeckSF: CUANTITATIVO CONTINUO Wood deck area in square feet
  • OpenPorchSF: CUANTITATIVO CONTINUO Open porch area in square feet
  • EnclosedPorch: CUANTITATIVO CONTINUO Enclosed porch area in square feet
  • PoolArea: CUANTITATIVO CONTINUO Pool area in square feet
  • Neighborhood: CUALITATIVO NOMINAL Physical locations within Ames city limits
In [ ]:
usefullAttr = ['SalePrice', 'LotArea', 'OverallCond', 'YearBuilt', 'MasVnrArea', 'TotalBsmtSF', '1stFlrSF',
               '2ndFlrSF', 'GrLivArea', 'TotRmsAbvGrd', 'GarageCars', 'WoodDeckSF', 'OpenPorchSF', 'EnclosedPorch', 'PoolArea', 'Neighborhood']
In [ ]:
data = train[usefullAttr]
data.head()
Out[ ]:
SalePrice LotArea OverallCond YearBuilt MasVnrArea TotalBsmtSF 1stFlrSF 2ndFlrSF GrLivArea TotRmsAbvGrd GarageCars WoodDeckSF OpenPorchSF EnclosedPorch PoolArea Neighborhood
0 208500 8450 5 2003 196.0 856 856 854 1710 8 2 0 61 0 0 CollgCr
1 181500 9600 8 1976 0.0 1262 1262 0 1262 6 2 298 0 0 0 Veenker
2 223500 11250 5 2001 162.0 920 920 866 1786 6 2 0 42 0 0 CollgCr
3 140000 9550 5 1915 0.0 756 961 756 1717 7 3 0 35 272 0 Crawfor
4 250000 14260 5 2000 350.0 1145 1145 1053 2198 9 3 192 84 0 0 NoRidge

GRAFICAS DE VARIABLES¶

In [ ]:
def get_histogram_qq(variable):
    plt.hist(x=data[variable] .dropna(), color='#F2AB6D', rwidth=1)
    plt.title(f'Histograma de la variable{variable}')
    plt.xlabel(variable)
    plt.ylabel('frencuencias')
    plt.rcParams['figure.figsize'] = (30, 30)
    plt.show()

    distribucion_generada = data[variable].dropna()
    # Represento el Q-Q plot
    qqplot(distribucion_generada, line='s')
    plt.show()

SalePricee¶

Se puede determinar que la variable SalePrice no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('SalePrice')

LotArea¶

Se puede determinar que la variable LotArea no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('LotArea')

OverallCond¶

Se puede determinar que la variable OverallCond no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('OverallCond')

YearBuilt¶

Se puede determinar que la variable YearBuilt no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('YearBuilt')

MasVnrArea¶

Se puede determinar que la variable MasVnrArea no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('MasVnrArea')

TotalBsmtSF¶

Se puede determinar que la variable TotalBsmtSF no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('TotalBsmtSF')

1stFlrSF¶

Se puede determinar que la variable 1stFlrSF no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('1stFlrSF')

2ndFlrSF¶

Se puede determinar que la variable 2ndFlrSF no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('2ndFlrSF')

GrLivArea¶

Se puede determinar que la variable GrLivArea no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('GrLivArea')

TotRmsAbvGrd¶

Se puede determinar que la variable TotRmsAbvGrd no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('TotRmsAbvGrd')

GarageCars¶

Se puede determinar que la variable GarageCars no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('GarageCars')

WoodDeckSF¶

Se puede determinar que la variable WoodDeckSF no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('WoodDeckSF')

OpenPorchSF¶

Se puede determinar que la variable OpenPorchSF no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('OpenPorchSF')

EnclosedPorch¶

Se puede determinar que la variable EnclosedPorch no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('EnclosedPorch')

PoolArea¶

Se puede determinar que la variable PoolArea no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
get_histogram_qq('PoolArea')

Neighborhood¶

Se puede determinar que la variable Neighborhood no sigue una disctribucion normal debido a que el histograma no sigue una forma de campana y el diagrama QQ nos muestra que los datos son muy distintos.

In [ ]:
eje_x = np.array(pd.value_counts(data['Neighborhood']).keys())
eje_y = pd.value_counts(data['Neighborhood'])

plt.bar(eje_x, eje_y)
plt.rcParams['figure.figsize'] = (10, 10)
plt.ylabel('Frecuencia de la variable Neighborhood')
plt.xlabel('Años')
plt.title('Grafico de barras para la variable Neighborhood')
plt.show()

3. Incluya un análisis de grupos en el análisis exploratorio. Explique las características de los grupos.¶

Se puede concluir que los datos normalizados son viables para el uso de clusters o grupos. Se logra llegar a esta conclucion debido a que nuestro test de hopkins sale de 0.08 junto con la grafica VAT. Con la grafica del codo se puede determinar que se pueden utilizar dos clusters debido a que es en ese dato donde se encuentra mas marcado el codo. Pero tambien se podria usar 7 debido a que tambien se encuenatra marcada ahi una punta.

In [ ]:
data.hist()
plt.show()
In [ ]:
# NORMALIZAMOS DATOS
if 'Neighborhood' in data.columns:
    usefullAttr.remove('Neighborhood')
data = train[usefullAttr]
X = []
for column in data.columns:
    try:
        column
        if column != 'Neighborhood' or column != 'SalePrice':
            data[column] = (data[column]-data[column].mean()) / \
                data[column].std()
            X.append(data[column])
    except:
        continue
data_clean = data.dropna(subset=usefullAttr, inplace=True)
X_Scale = np.array(data)
X_Scale

<ipython-input-23-ba92df615b8e>:10: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  data[column] = (data[column]-data[column].mean()) / \
C:\Users\ALIEWARE\AppData\Local\Programs\Python\Python39\lib\site-packages\pandas\util\_decorators.py:311: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  return func(*args, **kwargs)
Out[ ]:
array([[ 0.34715427, -0.20707076, -0.51702265, ...,  0.216429  ,
        -0.35920182, -0.06866822],
       [ 0.00728582, -0.0918549 ,  2.17888118, ..., -0.70424195,
        -0.35920182, -0.06866822],
       [ 0.53597007,  0.07345481, -0.51702265, ..., -0.07033736,
        -0.35920182, -0.06866822],
       ...,
       [ 1.07724204, -0.14775964,  3.07751579, ...,  0.20133604,
        -0.35920182, -0.06866822],
       [-0.48835566, -0.08013294,  0.38161196, ..., -0.70424195,
         1.47328444, -0.06866822],
       [-0.42069666, -0.05809164,  0.38161196, ...,  0.32207977,
        -0.35920182, -0.06866822]])
In [ ]:
# HOPKINGS
X_scale = sklearn.preprocessing.scale(X_Scale)
# X = X_scale
pyclustertend.hopkins(X_scale, len(X_scale))
Out[ ]:
0.08560970151207026
In [ ]:
# VAT
pyclustertend.vat(X_Scale)

# devolvemos el SalePrice a su valor original
data['SalePrice'] = train['SalePrice']

<ipython-input-25-9d4f744f424f>:5: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  data['SalePrice'] = train['SalePrice']
In [ ]:
numeroClusters = range(1, 11)
wcss = []
for i in numeroClusters:
    kmeans = cluster.KMeans(n_clusters=i)
    kmeans.fit(X_Scale)
    wcss.append(kmeans.inertia_)

plt.plot(numeroClusters, wcss)
plt.xlabel("Número de clusters")
plt.ylabel("Score")
plt.title("Gráfico de Codo")
plt.show()
In [ ]:
kmeans = cluster.KMeans(n_clusters=7)
kmeans.fit(X_Scale)
kmeans_result = kmeans.predict(X_Scale)
kmeans_clusters = np.unique(kmeans_result)
for kmeans_cluster in kmeans_clusters:
    # get data points that fall in this cluster
    index = np.where(kmeans_result == kmeans_cluster)
    # make the plot
    plt.scatter(X_Scale[index, 0], X_Scale[index, 1])
plt.show()
In [ ]:
kmeans = cluster.KMeans(n_clusters=3)
kmeans.fit(X_Scale)
kmeans_result = kmeans.predict(X_Scale)
kmeans_clusters = np.unique(kmeans_result)
for kmeans_cluster in kmeans_clusters:
    # get data points that fall in this cluster
    index = np.where(kmeans_result == kmeans_cluster)
    # make the plot
    plt.scatter(X_Scale[index, 0], X_Scale[index, 1])
plt.show()
In [ ]:
data['cluster'] = kmeans.labels_
print(data[data['cluster'] == 0].describe().transpose())
print(data[data['cluster'] == 1].describe().transpose())
print(data[data['cluster'] == 2].describe().transpose())

               count           mean           std           min  \
SalePrice      712.0  128145.681180  29162.130010  34900.000000   
LotArea        712.0      -0.201612      0.360160     -0.923413   
OverallCond    712.0       0.260448      1.134420     -4.111561   
YearBuilt      712.0      -0.578005      0.854940     -3.286697   
MasVnrArea     712.0      -0.371969      0.463626     -0.572637   
TotalBsmtSF    712.0      -0.517408      0.636344     -2.410341   
1stFlrSF       712.0      -0.539266      0.565876     -2.143438   
2ndFlrSF       712.0      -0.306638      0.696585     -0.794891   
GrLivArea      712.0      -0.649647      0.571413     -2.248350   
TotRmsAbvGrd   712.0      -0.538054      0.732327     -2.779517   
GarageCars     712.0      -0.611161      0.901075     -2.364630   
WoodDeckSF     712.0      -0.288758      0.800101     -0.751918   
OpenPorchSF    712.0      -0.333171      0.795757     -0.704242   
EnclosedPorch  712.0       0.195802      1.143279     -0.359202   
PoolArea       712.0      -0.048533      0.537281     -0.068668   
cluster        712.0       0.000000      0.000000      0.000000   

                         25%            50%            75%            max  
SalePrice      110000.000000  130000.000000  146000.000000  250000.000000  
LotArea            -0.409325      -0.204065      -0.040809       2.417847  
OverallCond        -0.517023       0.381612       1.280247       3.077516  
YearBuilt          -1.167696      -0.472399      -0.008867       1.249290  
MasVnrArea         -0.572637      -0.572637      -0.572637       2.763159  
TotalBsmtSF        -0.841520      -0.440910      -0.084178       1.143297  
1stFlrSF           -0.896631      -0.565529      -0.189806       1.677170  
2ndFlrSF           -0.794891      -0.794891       0.406635       1.988433  
GrLivArea          -1.074662      -0.741157      -0.291569       1.603364  
TotRmsAbvGrd       -0.933810      -0.318574      -0.318574       2.142369  
GarageCars         -1.026506      -1.026506       0.311618       2.987865  
WoodDeckSF         -0.751918      -0.751918       0.053898       2.966005  
OpenPorchSF        -0.704242      -0.704242      -0.251453       7.189379  
EnclosedPorch      -0.359202      -0.359202      -0.359202       5.040088  
PoolArea           -0.068668      -0.068668      -0.068668      14.267783  
cluster             0.000000       0.000000       0.000000       0.000000  
               count           mean           std           min  \
SalePrice      374.0  229383.986631  74213.685680  82500.000000   
LotArea        374.0       0.221159      1.600440     -0.764415   
OverallCond    374.0      -0.360843      0.640864     -3.212926   
YearBuilt      374.0       0.666069      0.595097     -0.770383   
MasVnrArea     374.0       0.343357      1.090019     -0.572637   
TotalBsmtSF    374.0       1.098635      0.897346     -1.076872   
1stFlrSF       374.0       1.127807      0.842065     -0.332723   
2ndFlrSF       374.0      -0.762158      0.213276     -0.794891   
GrLivArea      374.0       0.185446      0.687311     -0.916235   
TotRmsAbvGrd   374.0       0.061424      0.728043     -1.549046   
GarageCars     374.0       0.626471      0.710958     -2.364630   
WoodDeckSF     374.0       0.299499      1.072615     -0.751918   
OpenPorchSF    374.0       0.196251      0.959769     -0.704242   
EnclosedPorch  374.0      -0.241259      0.596283     -0.359202   
PoolArea       374.0       0.006400      1.036535     -0.068668   
cluster        374.0       1.000000      0.000000      1.000000   

                         25%            50%            75%            max  
SalePrice      178805.000000  210000.000000  262375.000000  611657.000000  
LotArea            -0.194347      -0.011705       0.236661      20.511245  
OverallCond        -0.517023      -0.517023      -0.517023       3.077516  
YearBuilt           0.156680       0.984415       1.149962       1.282400  
MasVnrArea         -0.572637       0.023830       0.841210       5.585331  
TotalBsmtSF         0.637263       0.995134       1.427087      11.517003  
1stFlrSF            0.590741       1.046007       1.435957       9.129553  
2ndFlrSF           -0.794891      -0.794891      -0.794891       1.381371  
GrLivArea          -0.234002       0.108541       0.399703       7.852884  
TotRmsAbvGrd       -0.318574       0.296662       0.296662       3.372840  
GarageCars          0.311618       0.311618       1.649742       2.987865  
WoodDeckSF         -0.751918       0.301227       0.779930       6.085550  
OpenPorchSF        -0.462754      -0.047698       0.529608       5.604618  
EnclosedPorch      -0.359202      -0.359202      -0.359202       4.401990  
PoolArea           -0.068668      -0.068668      -0.068668      16.059839  
cluster             1.000000       1.000000       1.000000       1.000000  
               count           mean           std           min  \
SalePrice      366.0  232851.737705  84624.481284  90000.000000   
LotArea        366.0       0.162418      0.977688     -0.841559   
OverallCond    366.0      -0.124177      0.877527     -2.314292   
YearBuilt      366.0       0.423907      0.949135     -3.021822   
MasVnrArea     366.0       0.372749      1.346264     -0.572637   
TotalBsmtSF    366.0      -0.130415      0.759653     -2.410341   
1stFlrSF       366.0      -0.117310      0.842864     -1.726973   
2ndFlrSF       366.0       1.374899      0.553746     -0.794891   
GrLivArea      366.0       1.063936      0.930190     -0.246372   
TotRmsAbvGrd   366.0       0.982498      0.925059     -0.933810   
GarageCars     366.0       0.538295      0.684456     -2.364630   
WoodDeckSF     366.0       0.261139      1.110483     -0.751918   
OpenPorchSF    366.0       0.431442      1.154585     -0.704242   
EnclosedPorch  366.0      -0.135461      0.953535     -0.359202   
PoolArea       366.0       0.089374      1.524546     -0.068668   
cluster        366.0       2.000000      0.000000      2.000000   

                         25%            50%            75%            max  
SalePrice      179900.000000  212500.000000  262820.000000  755000.000000  
LotArea            -0.151968       0.026016       0.243724      14.876188  
OverallCond        -0.517023      -0.517023      -0.517023       3.077516  
YearBuilt           0.156680       0.818868       1.050634       1.249290  
MasVnrArea         -0.572637      -0.329632       1.027606       8.263909  
TotalBsmtSF        -0.591352      -0.264254       0.194483       4.742524  
1stFlrSF           -0.720733      -0.261588       0.269986       5.109767  
2ndFlrSF            1.003388       1.226741       1.714109       3.935614  
GrLivArea           0.398752       0.861186       1.536758       6.014566  
TotRmsAbvGrd        0.296662       0.911897       1.527133       4.603312  
GarageCars          0.311618       0.311618       0.311618       2.987865  
WoodDeckSF         -0.751918       0.073844       0.863703       5.056339  
OpenPorchSF        -0.296732       0.125871       0.865427       7.551611  
EnclosedPorch      -0.359202      -0.359202      -0.359202       8.672338  
PoolArea           -0.068668      -0.068668      -0.068668      18.299910  
cluster             2.000000       2.000000       2.000000       2.000000  

<ipython-input-29-aaea25b7312c>:1: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  data['cluster'] = kmeans.labels_

4. Dependiendo del análisis exploratorio elaborado cree una variable respuesta que le permita clasificar las casas en Económicas, Intermedias o Caras. Los límites de estas clases deben tener un fundamento en la distribución de los datos de precios, y estar bien explicados.¶

Se crea la variable de 'Clasificacion' en la cual se clasifica como Economica, Intermedia o Cara. Acorde al precio. Para obtener el rango se crean dos limites. El limite 1 es la media de nuestro salesprice que tienen cluster 0 y para el limit 2 es la media de los que tienen cluster 1. Se realizo de esta forma debido a que como muchos de los precios tenian maximos y minimos en dos categoris se uso la media para colocar los limites.

In [ ]:
# Clasificacion de casas en: Economias, Intermedias o Caras.
data.fillna(0)
limit1 = data.query('cluster == 0')['SalePrice'].mean()
limit2 = data.query('cluster == 1')['SalePrice'].mean()
# minPrice = data['SalePrice'].min()
# maxPrice = data['SalePrice'].max()
# division = (maxPrice - minPrice) / 3
data['Clasificacion'] = data['LotArea']

# data['Clasificacion'][data['SalePrice'] < minPrice + division] = 'Economica'
# data['Clasificacion'][data['SalePrice'] >= minPrice + division] = 'Intermedia'
# data['Clasificacion'][data['SalePrice'] >= minPrice + division * 2] = 'Caras'
data.loc[data['SalePrice'] < limit1, 'Clasificacion'] = 'Economica'
data.loc[(data['SalePrice'] >= limit1) & (
    data['SalePrice'] < limit2), 'Clasificacion'] = 'Intermedia'
data.loc[data['SalePrice'] >= limit2, 'Clasificacion'] = 'Caras'
# data.loc[data['cluster'] == 0, 'Clasificacion'] = 'Economica'
# data.loc[data['cluster'] == 1, 'Clasificacion'] = 'Intermedia'
# data.loc[data['cluster'] == 2, 'Clasificacion'] = 'Caras'

<ipython-input-30-5f65bddb6e29>:8: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  data['Clasificacion'] = data['LotArea']
C:\Users\ALIEWARE\AppData\Local\Programs\Python\Python39\lib\site-packages\pandas\core\indexing.py:1817: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  self._setitem_single_column(loc, value, pi)

Contamos la cantidad de casas por clasificacion¶

In [ ]:
# Obtener cuantos datos hay por cada clasificacion
print(data['Clasificacion'].value_counts())

Intermedia    814
Economica     342
Caras         296
Name: Clasificacion, dtype: int64

5. Divida el set de datos preprocesados en dos conjuntos: Entrenamiento y prueba. Describa el criterio que usó para crear los conjuntos: número de filas de cada uno, estratificado o no, balanceado o no, etc. Si le proveen un conjunto de datos de prueba y tiene suficientes datos, tómelo como de validación, pero haga sus propios conjuntos de prueba.¶

Se dividen los en dos grupos, entranamiento con 0.7 y prueba con 0.3. Se utiliza el caso normal debido a que evitamos sobreajuste de nuestros datos. Y va a ser nuestra variable clasificacion, X con los demas datos disponibles sin la clasificacion. Se estratifican los datos debdio a que tenemos 3 tipos de clasiicacion Economia, Intermedia y Cara.

Estableciendo los conjuntos de Entrenamiento y Prueba¶

In [ ]:
y = data['Clasificacion']
X = data.drop(['Clasificacion', 'SalePrice'], axis=1)
In [ ]:
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, train_size=0.7)
y_train
Out[ ]:
1179     Economica
1060    Intermedia
692          Caras
1330    Intermedia
436      Economica
           ...    
984      Economica
89       Economica
397     Intermedia
382     Intermedia
88       Economica
Name: Clasificacion, Length: 1016, dtype: object

70% de entrenamiento y 30% prueba

In [ ]:
arbol = DecisionTreeClassifier(max_depth=4, random_state=42)
arbol = arbol.fit(X_train, y_train)

6. Elabore el árbol de clasificación utilizando el conjunto de entrenamiento y la variable respuesta que creó en el punto 4. Explique los resultados a los que llega. Muestre el modelo gráficamente. El experimento debe ser reproducible por lo que debe fijar que los conjuntos de entrenamiento y prueba sean los mismos siempre que se ejecute el código.¶

In [ ]:
tree.plot_tree(arbol, feature_names=data.columns,
               class_names=['0', '1', '2'], filled=True)
Out[ ]:
[Text(279.0, 489.24, 'TotRmsAbvGrd <= 0.981\ngini = 0.586\nsamples = 1016\nvalue = [204, 238, 574]\nclass = 2'),
 Text(139.5, 380.52000000000004, 'TotRmsAbvGrd <= -0.357\ngini = 0.524\nsamples = 880\nvalue = [94, 233, 553]\nclass = 2'),
 Text(69.75, 271.8, 'TotalBsmtSF <= -0.313\ngini = 0.5\nsamples = 304\nvalue = [3, 172, 129]\nclass = 1'),
 Text(34.875, 163.08000000000004, '2ndFlrSF <= -0.243\ngini = 0.414\nsamples = 207\nvalue = [1, 147, 59]\nclass = 1'),
 Text(17.4375, 54.360000000000014, 'gini = 0.31\nsamples = 167\nvalue = [0, 135, 32]\nclass = 1'),
 Text(52.3125, 54.360000000000014, 'gini = 0.454\nsamples = 40\nvalue = [1, 12, 27]\nclass = 2'),
 Text(104.625, 163.08000000000004, 'MasVnrArea <= -0.959\ngini = 0.412\nsamples = 97\nvalue = [2, 25, 70]\nclass = 2'),
 Text(87.1875, 54.360000000000014, 'gini = 0.0\nsamples = 6\nvalue = [0, 6, 0]\nclass = 1'),
 Text(122.0625, 54.360000000000014, 'gini = 0.364\nsamples = 91\nvalue = [2, 19, 70]\nclass = 2'),
 Text(209.25, 271.8, '2ndFlrSF <= 0.799\ngini = 0.422\nsamples = 576\nvalue = [91, 61, 424]\nclass = 2'),
 Text(174.375, 163.08000000000004, 'OverallCond <= -0.456\ngini = 0.35\nsamples = 487\nvalue = [42, 59, 386]\nclass = 2'),
 Text(156.9375, 54.360000000000014, 'gini = 0.54\nsamples = 82\nvalue = [4, 35, 43]\nclass = 2'),
 Text(191.8125, 54.360000000000014, 'gini = 0.27\nsamples = 405\nvalue = [38, 24, 343]\nclass = 2'),
 Text(244.125, 163.08000000000004, 'MasVnrArea <= -0.028\ngini = 0.514\nsamples = 89\nvalue = [49, 2, 38]\nclass = 0'),
 Text(226.6875, 54.360000000000014, 'gini = 0.482\nsamples = 43\nvalue = [13, 2, 28]\nclass = 2'),
 Text(261.5625, 54.360000000000014, 'gini = 0.34\nsamples = 46\nvalue = [36, 0, 10]\nclass = 0'),
 Text(418.5, 380.52000000000004, 'OverallCond <= 0.587\ngini = 0.321\nsamples = 136\nvalue = [110, 5, 21]\nclass = 0'),
 Text(348.75, 271.8, 'SalePrice <= 0.104\ngini = 0.587\nsamples = 15\nvalue = [2, 5, 8]\nclass = 2'),
 Text(313.875, 163.08000000000004, 'WoodDeckSF <= -0.251\ngini = 0.408\nsamples = 7\nvalue = [0, 5, 2]\nclass = 1'),
 Text(296.4375, 54.360000000000014, 'gini = 0.278\nsamples = 6\nvalue = [0, 5, 1]\nclass = 1'),
 Text(331.3125, 54.360000000000014, 'gini = 0.0\nsamples = 1\nvalue = [0, 0, 1]\nclass = 2'),
 Text(383.625, 163.08000000000004, 'OverallCond <= -2.244\ngini = 0.375\nsamples = 8\nvalue = [2, 0, 6]\nclass = 2'),
 Text(366.1875, 54.360000000000014, 'gini = 0.0\nsamples = 2\nvalue = [2, 0, 0]\nclass = 0'),
 Text(401.0625, 54.360000000000014, 'gini = 0.0\nsamples = 6\nvalue = [0, 0, 6]\nclass = 2'),
 Text(488.25, 271.8, '2ndFlrSF <= 0.189\ngini = 0.192\nsamples = 121\nvalue = [108, 0, 13]\nclass = 0'),
 Text(453.375, 163.08000000000004, 'MasVnrArea <= 0.934\ngini = 0.494\nsamples = 18\nvalue = [8, 0, 10]\nclass = 2'),
 Text(435.9375, 54.360000000000014, 'gini = 0.219\nsamples = 8\nvalue = [1, 0, 7]\nclass = 2'),
 Text(470.8125, 54.360000000000014, 'gini = 0.42\nsamples = 10\nvalue = [7, 0, 3]\nclass = 0'),
 Text(523.125, 163.08000000000004, 'MasVnrArea <= -0.287\ngini = 0.057\nsamples = 103\nvalue = [100, 0, 3]\nclass = 0'),
 Text(505.6875, 54.360000000000014, 'gini = 0.5\nsamples = 2\nvalue = [1, 0, 1]\nclass = 0'),
 Text(540.5625, 54.360000000000014, 'gini = 0.039\nsamples = 101\nvalue = [99, 0, 2]\nclass = 0')]
In [ ]:
y_pred = arbol.predict(X_test)
print(y_pred)
print("Accuracy:", metrics.accuracy_score(y_test, y_pred))
print("Precision:", metrics.precision_score(
    y_test, y_pred, average='weighted'))
print("Recall: ", metrics.recall_score(y_test, y_pred, average='weighted'))

['Economica' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Caras' 'Economica'
 'Intermedia' 'Economica' 'Caras' 'Caras' 'Intermedia' 'Intermedia'
 'Economica' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras'
 'Economica' 'Intermedia' 'Intermedia' 'Economica' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Economica' 'Economica' 'Intermedia'
 'Caras' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Economica'
 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Economica' 'Caras'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Economica' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Economica' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Economica' 'Intermedia' 'Intermedia'
 'Economica' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Economica' 'Caras' 'Intermedia' 'Caras' 'Intermedia' 'Caras' 'Caras'
 'Intermedia' 'Economica' 'Economica' 'Intermedia' 'Intermedia'
 'Economica' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Intermedia' 'Intermedia' 'Economica' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Caras' 'Caras' 'Intermedia' 'Economica' 'Intermedia'
 'Economica' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Economica' 'Intermedia' 'Intermedia'
 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras'
 'Caras' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Economica' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Intermedia' 'Economica' 'Intermedia' 'Caras' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Economica' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Economica'
 'Intermedia' 'Caras' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Economica' 'Economica'
 'Intermedia' 'Caras' 'Economica' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Economica' 'Intermedia' 'Intermedia' 'Economica' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Caras' 'Economica' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Economica' 'Caras' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Caras' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Caras' 'Intermedia'
 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Economica' 'Caras'
 'Caras' 'Economica' 'Intermedia' 'Caras' 'Economica' 'Economica'
 'Intermedia' 'Caras' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Economica' 'Economica' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Economica' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Intermedia' 'Intermedia' 'Economica' 'Economica'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia'
 'Intermedia' 'Caras' 'Intermedia' 'Economica' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Economica' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia'
 'Economica' 'Intermedia' 'Intermedia' 'Economica' 'Intermedia' 'Caras'
 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Economica'
 'Intermedia' 'Intermedia' 'Economica' 'Economica' 'Caras' 'Intermedia'
 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras'
 'Intermedia' 'Economica' 'Economica' 'Caras' 'Caras' 'Caras' 'Intermedia'
 'Intermedia' 'Caras' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica']
Accuracy: 0.7545871559633027
Precision: 0.7648327110810091
Recall:  0.7545871559633027

7.Elabore el árbol de regresión para predecir el precio de las viviendas utilizando el conjunto¶

de entrenamiento. Explique los resultados a los que llega. Muestre el modelo gráficamente. El experimento debe ser reproducible por lo que debe fijar que los conjuntos de entrenamiento y prueba sean los mismos siempre que se ejecute el código.

In [ ]:
plt.rcParams['figure.figsize'] = (160, 90)
regressionTree = DecisionTreeRegressor(max_depth=4, random_state=42)
regressionTree = arbol.fit(X_train, y_train)
tree.plot_tree(regressionTree, feature_names=data.columns,
               class_names=['0', '1', '2'], filled=True)
Out[ ]:
[Text(4464.0, 4403.16, 'TotRmsAbvGrd <= 0.981\ngini = 0.586\nsamples = 1016\nvalue = [204, 238, 574]\nclass = 2'),
 Text(2232.0, 3424.68, 'TotRmsAbvGrd <= -0.357\ngini = 0.524\nsamples = 880\nvalue = [94, 233, 553]\nclass = 2'),
 Text(1116.0, 2446.2, 'TotalBsmtSF <= -0.313\ngini = 0.5\nsamples = 304\nvalue = [3, 172, 129]\nclass = 1'),
 Text(558.0, 1467.7199999999998, '2ndFlrSF <= -0.243\ngini = 0.414\nsamples = 207\nvalue = [1, 147, 59]\nclass = 1'),
 Text(279.0, 489.2399999999998, 'gini = 0.31\nsamples = 167\nvalue = [0, 135, 32]\nclass = 1'),
 Text(837.0, 489.2399999999998, 'gini = 0.454\nsamples = 40\nvalue = [1, 12, 27]\nclass = 2'),
 Text(1674.0, 1467.7199999999998, 'MasVnrArea <= -0.959\ngini = 0.412\nsamples = 97\nvalue = [2, 25, 70]\nclass = 2'),
 Text(1395.0, 489.2399999999998, 'gini = 0.0\nsamples = 6\nvalue = [0, 6, 0]\nclass = 1'),
 Text(1953.0, 489.2399999999998, 'gini = 0.364\nsamples = 91\nvalue = [2, 19, 70]\nclass = 2'),
 Text(3348.0, 2446.2, '2ndFlrSF <= 0.799\ngini = 0.422\nsamples = 576\nvalue = [91, 61, 424]\nclass = 2'),
 Text(2790.0, 1467.7199999999998, 'OverallCond <= -0.456\ngini = 0.35\nsamples = 487\nvalue = [42, 59, 386]\nclass = 2'),
 Text(2511.0, 489.2399999999998, 'gini = 0.54\nsamples = 82\nvalue = [4, 35, 43]\nclass = 2'),
 Text(3069.0, 489.2399999999998, 'gini = 0.27\nsamples = 405\nvalue = [38, 24, 343]\nclass = 2'),
 Text(3906.0, 1467.7199999999998, 'MasVnrArea <= -0.028\ngini = 0.514\nsamples = 89\nvalue = [49, 2, 38]\nclass = 0'),
 Text(3627.0, 489.2399999999998, 'gini = 0.482\nsamples = 43\nvalue = [13, 2, 28]\nclass = 2'),
 Text(4185.0, 489.2399999999998, 'gini = 0.34\nsamples = 46\nvalue = [36, 0, 10]\nclass = 0'),
 Text(6696.0, 3424.68, 'OverallCond <= 0.587\ngini = 0.321\nsamples = 136\nvalue = [110, 5, 21]\nclass = 0'),
 Text(5580.0, 2446.2, 'SalePrice <= 0.104\ngini = 0.587\nsamples = 15\nvalue = [2, 5, 8]\nclass = 2'),
 Text(5022.0, 1467.7199999999998, 'WoodDeckSF <= -0.251\ngini = 0.408\nsamples = 7\nvalue = [0, 5, 2]\nclass = 1'),
 Text(4743.0, 489.2399999999998, 'gini = 0.278\nsamples = 6\nvalue = [0, 5, 1]\nclass = 1'),
 Text(5301.0, 489.2399999999998, 'gini = 0.0\nsamples = 1\nvalue = [0, 0, 1]\nclass = 2'),
 Text(6138.0, 1467.7199999999998, 'OverallCond <= -2.244\ngini = 0.375\nsamples = 8\nvalue = [2, 0, 6]\nclass = 2'),
 Text(5859.0, 489.2399999999998, 'gini = 0.0\nsamples = 2\nvalue = [2, 0, 0]\nclass = 0'),
 Text(6417.0, 489.2399999999998, 'gini = 0.0\nsamples = 6\nvalue = [0, 0, 6]\nclass = 2'),
 Text(7812.0, 2446.2, '2ndFlrSF <= 0.189\ngini = 0.192\nsamples = 121\nvalue = [108, 0, 13]\nclass = 0'),
 Text(7254.0, 1467.7199999999998, 'MasVnrArea <= 0.934\ngini = 0.494\nsamples = 18\nvalue = [8, 0, 10]\nclass = 2'),
 Text(6975.0, 489.2399999999998, 'gini = 0.219\nsamples = 8\nvalue = [1, 0, 7]\nclass = 2'),
 Text(7533.0, 489.2399999999998, 'gini = 0.42\nsamples = 10\nvalue = [7, 0, 3]\nclass = 0'),
 Text(8370.0, 1467.7199999999998, 'MasVnrArea <= -0.287\ngini = 0.057\nsamples = 103\nvalue = [100, 0, 3]\nclass = 0'),
 Text(8091.0, 489.2399999999998, 'gini = 0.5\nsamples = 2\nvalue = [1, 0, 1]\nclass = 0'),
 Text(8649.0, 489.2399999999998, 'gini = 0.039\nsamples = 101\nvalue = [99, 0, 2]\nclass = 0')]

8.Utilice el modelo con el conjunto de prueba y determine la eficiencia del algoritmo para clasificar y predecir, en dependencia de las características de la variable respuesta.¶

In [ ]:
y_pred = arbol.predict(X_test)
print(y_pred)
print("Exactitud:", metrics.accuracy_score(y_test, y_pred))
print("Precision:", metrics.precision_score(
    y_test, y_pred, average='weighted'))
print("Recall: ", metrics.recall_score(y_test, y_pred, average='weighted'))

['Economica' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Caras' 'Economica'
 'Intermedia' 'Economica' 'Caras' 'Caras' 'Intermedia' 'Intermedia'
 'Economica' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras'
 'Economica' 'Intermedia' 'Intermedia' 'Economica' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Economica' 'Economica' 'Intermedia'
 'Caras' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Economica'
 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Economica' 'Caras'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Economica' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Economica' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Economica' 'Intermedia' 'Intermedia'
 'Economica' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Economica' 'Caras' 'Intermedia' 'Caras' 'Intermedia' 'Caras' 'Caras'
 'Intermedia' 'Economica' 'Economica' 'Intermedia' 'Intermedia'
 'Economica' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Intermedia' 'Intermedia' 'Economica' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Caras' 'Caras' 'Intermedia' 'Economica' 'Intermedia'
 'Economica' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Economica' 'Intermedia' 'Intermedia'
 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras'
 'Caras' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Economica' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Intermedia' 'Economica' 'Intermedia' 'Caras' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Economica' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Economica'
 'Intermedia' 'Caras' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Economica' 'Economica'
 'Intermedia' 'Caras' 'Economica' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Economica' 'Intermedia' 'Intermedia' 'Economica' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Caras' 'Economica' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Economica' 'Caras' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Caras' 'Intermedia'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Caras' 'Intermedia'
 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Economica' 'Caras'
 'Caras' 'Economica' 'Intermedia' 'Caras' 'Economica' 'Economica'
 'Intermedia' 'Caras' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Economica' 'Economica' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Caras' 'Intermedia' 'Intermedia'
 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Economica' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia' 'Economica'
 'Intermedia' 'Intermedia' 'Intermedia' 'Economica' 'Economica'
 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia'
 'Intermedia' 'Caras' 'Intermedia' 'Economica' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica' 'Economica' 'Intermedia' 'Intermedia'
 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Intermedia'
 'Economica' 'Intermedia' 'Intermedia' 'Economica' 'Intermedia' 'Caras'
 'Intermedia' 'Intermedia' 'Intermedia' 'Caras' 'Intermedia' 'Economica'
 'Intermedia' 'Intermedia' 'Economica' 'Economica' 'Caras' 'Intermedia'
 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Economica'
 'Caras' 'Intermedia' 'Intermedia' 'Intermedia' 'Intermedia' 'Caras'
 'Intermedia' 'Economica' 'Economica' 'Caras' 'Caras' 'Caras' 'Intermedia'
 'Intermedia' 'Caras' 'Economica' 'Intermedia' 'Intermedia' 'Intermedia'
 'Intermedia' 'Economica']
Exactitud: 0.7545871559633027
Precision: 0.7648327110810091
Recall:  0.7545871559633027

9.Haga un análisis de la eficiencia del algoritmo usando una matriz de confusión para el árbol de clasificación. Tenga en cuenta la efectividad, donde el algoritmo se equivocó más, donde se equivocó menos y la importancia que tienen los errores¶

In [ ]:
confussion_matrix = metrics.confusion_matrix(y_true=y_test, y_pred=y_pred)
print(confussion_matrix)
sns.heatmap(confussion_matrix, annot=True)

[[ 55   0  37]
 [  0  61  43]
 [ 12  15 213]]
Out[ ]:
<AxesSubplot:>

10.Analice el desempeño del árbol de regresión.¶

In [ ]:
tree.plot_tree(regressionTree, feature_names=data.columns,
               class_names=['0', '1', '2'], filled=True)
print('En el arbol de regresion elaborado en la pregunta 7, para predecir el precio de las viviendas, podemos observar como se ramifican las diferentes alternativas de precios posibles a partir de las variables seleccionadas. Lo que nos muestra el arbol son las diferentes opciones de precios en el mercado, los cuales se clasifican segun el conjunto de variables, como se menciono anteriormente, tambien podemos observar el indice gini en cada uno de los nodos, el cual mide el grado o la probabilidad de que una variable en particular se clasifique incorrectamente cuando se elige al azar y podemos observar que se mantiene en valores bajos')

En el arbol de regresion elaborado en la pregunta 7, para predecir el precio de las viviendas, podemos observar como se ramifican las diferentes alternativas de precios posibles a partir de las variables seleccionadas. Lo que nos muestra el arbol son las diferentes opciones de precios en el mercado, los cuales se clasifican segun el conjunto de variables, como se menciono anteriormente, tambien podemos observar el indice gini en cada uno de los nodos, el cual mide el grado o la probabilidad de que una variable en particular se clasifique incorrectamente cuando se elige al azar y podemos observar que se mantiene en valores bajos

11.Repita los análisis usando random forest como algoritmo de predicción, explique sus resultados comparando ambos algoritmos.¶

In [ ]:
randomForest = RandomForestClassifier(max_depth=4, random_state=42)
randomForest = arbol.fit(X_train, y_train)

tree.plot_tree(randomForest, feature_names=data.columns,
               class_names=['0', '1', '2'], filled=True)

y_pred = randomForest.predict(X_test)
print("Exactitud:", metrics.accuracy_score(y_test, y_pred))
print("Precision:", metrics.precision_score(
    y_test, y_pred, average='weighted'))
print("Recall: ", metrics.recall_score(y_test, y_pred, average='weighted'))
print("Comparación: Se puede observar que el de random forest nos da un análisis más extenso y exacto, pues crea una serie de árboles para analizar un conjunto de datos de entrenamiento. los resultados obtenidos se combinan a fin de obtener un modelo único más robusto en comparación con los resultados de cada árbol por separado obtenniendo mejores resultados.")

Exactitud: 0.7545871559633027
Precision: 0.7648327110810091
Recall:  0.7545871559633027
Comparación: Se puede observar que el de random forest nos da un análisis más extenso y exacto, pues crea una serie de árboles para analizar un conjunto de datos de entrenamiento. los resultados obtenidos se combinan a fin de obtener un modelo único más robusto en comparación con los resultados de cada árbol por separado obtenniendo mejores resultados.